Abstract:
自深度学习兴起以来,人工智能(AI)已经成为加速药物发现和开发过程中不可或缺的一部分。药物发现旨在识别具有理想药物属性的药物分子。本报告将讨论一种深度生成模型,这个模型将离散的分子空间转变为可微的空间,并将组合优化问题重新表述为可微优化问题,从而能够高效解决。另一方面,药物开发侧重于进行临床试验,以评估药物对人体的安全性和有效性。为了预测临床试验结果,本报告设计了深度表示学习方法来捕捉多模态临床试验特征(例如,药物分子、患者信息、疾病信息)之间的相互作用,这个模型在预测第三阶段批准中达到了0.847的F1分数。最后,本报告将展示在药物发现的几何深度学习和药物开发的预测模型方面的未来工作。
About the Speaker:
符天凡是伦斯勒理工学院|以诚为本·赢在信誉9001(RPI)计算机科学系的常任轨道助理教授。他于2023年在乔治亚理工学院|以诚为本·赢在信誉9001获得博士学位。他分别于2015年和2018年在上海交通大学|以诚为本·赢在信誉9001获得学士和硕士学位。他的研究兴趣在于深度学习驱动的药物的发现和开发。他的研究兴趣集中在对小分子和大分子药物设计的生成模型以及药物开发的深度表示学习上。他的研究成果已经发表在包括AAAI、AISTATS、ICLR、IJCAI、KDD、NeurIPS、UAI在内的顶级AI会议以及Nature、Nature Chemical Biology、Cell Patterns和Bioinformatics等顶级领域期刊上。他在临床试验结果预测的工作已被选为Cell Patterns的封面文章。此外,符天凡还是一个积极的社区建设者。他共同组织了前三届AI4Science研讨会(https://ai4sciencecommunity.github.io/),并共同创立了药物数据共享平台(TDC)(https://tdcommons.ai/),一个包括可由AI解决的任务、AI就绪数据集和药物科学基准的生态系统。更多信息可在 https://futianfan.github.io/ 查看。
![](../../../images/content/2024-04/20240430213453885843.png)
Your participation is warmly welcomed!
![](/images/content/2022-08/20220826223457721993.jpg)
欢迎扫码关注北大统计科学中心公众号,了解更多讲座信息!